S-粗集(singular rough sets)是把动态特征引入到Z.Pawlak粗集中对其加以改进而提出的,S-粗集具有动态特征。S-粗集具有3种形式:单向S-粗集(one direction singular rough sets)、单向S-粗集对偶(dual of one direction singular rough ...S-粗集(singular rough sets)是把动态特征引入到Z.Pawlak粗集中对其加以改进而提出的,S-粗集具有动态特征。S-粗集具有3种形式:单向S-粗集(one direction singular rough sets)、单向S-粗集对偶(dual of one direction singular rough sets)与双向S-粗集(two direction singular rough sets);在一定条件下,单向S-粗集、单向S-粗集对偶与双向S-粗集被还原成Z.Pawlak粗集。利用单向S-粗集和单向S-粗集对偶给出具有属性析取特征的动态数据智能挖掘与应用;属性析取是数据具有的逻辑特征之一。主要结果是:利用单向S-粗集、单向S-粗集对偶结构,给出属性析取萎缩-扩张特征的动态数据生成与它的属性析取萎缩-扩张关系;给出数据推理与推理模型;利用数据推理给出动态数据智能挖掘定理;利用这些理论结果,给出动态数据智能挖掘-智能认知的应用。展开更多
针对现有多类支持向量域数据描述(multi-class support data description,M-SVDD)存在的不足和局限性,提出一种拒绝式转导推理多类支持向量域数据描述(rejected transductive inference M-SVDD,RTIM-SVDD)方法,并将该方法应用于机械加...针对现有多类支持向量域数据描述(multi-class support data description,M-SVDD)存在的不足和局限性,提出一种拒绝式转导推理多类支持向量域数据描述(rejected transductive inference M-SVDD,RTIM-SVDD)方法,并将该方法应用于机械加工故障诊断当中。首先,RTIM-SVDD通过训练寻求一个尽可能包含所有数据样本的最小超球体作为拒绝检测面,来整体学习样本知识或数据描述,并以一定的拒绝度判别新的测试样本,达到故障检测的目的;其次,应用分别包含各个类别样本的多个超球体,来判别满足一定拒绝度的样本,实现多分类问题。对于模糊样本点归属判别关键问题,本文采用一种新的转导推理规则来进行决策。最后,通过一个仿真实验进行验证,结果证明了RTIM-SVDD的可行性和有效性。展开更多
文摘S-粗集(singular rough sets)是把动态特征引入到Z.Pawlak粗集中对其加以改进而提出的,S-粗集具有动态特征。S-粗集具有3种形式:单向S-粗集(one direction singular rough sets)、单向S-粗集对偶(dual of one direction singular rough sets)与双向S-粗集(two direction singular rough sets);在一定条件下,单向S-粗集、单向S-粗集对偶与双向S-粗集被还原成Z.Pawlak粗集。利用单向S-粗集和单向S-粗集对偶给出具有属性析取特征的动态数据智能挖掘与应用;属性析取是数据具有的逻辑特征之一。主要结果是:利用单向S-粗集、单向S-粗集对偶结构,给出属性析取萎缩-扩张特征的动态数据生成与它的属性析取萎缩-扩张关系;给出数据推理与推理模型;利用数据推理给出动态数据智能挖掘定理;利用这些理论结果,给出动态数据智能挖掘-智能认知的应用。
文摘针对现有多类支持向量域数据描述(multi-class support data description,M-SVDD)存在的不足和局限性,提出一种拒绝式转导推理多类支持向量域数据描述(rejected transductive inference M-SVDD,RTIM-SVDD)方法,并将该方法应用于机械加工故障诊断当中。首先,RTIM-SVDD通过训练寻求一个尽可能包含所有数据样本的最小超球体作为拒绝检测面,来整体学习样本知识或数据描述,并以一定的拒绝度判别新的测试样本,达到故障检测的目的;其次,应用分别包含各个类别样本的多个超球体,来判别满足一定拒绝度的样本,实现多分类问题。对于模糊样本点归属判别关键问题,本文采用一种新的转导推理规则来进行决策。最后,通过一个仿真实验进行验证,结果证明了RTIM-SVDD的可行性和有效性。
